Analiza și prognozarea datelor. Analiza și prognozarea datelor Analiza și prognozarea datelor în întreprinderea 1c

Începutul și sfârșitul proceselor de afaceri

Ciclul de viață al unui proces de afaceri începe de la început. Pentru acest punct de rută, puteți defini un handler pentru evenimentul Înainte de a începe. Această procedură are doi parametri. Primul parametru este punctul de rută de la care a fost apelat handler-ul (procesul de afaceri poate avea mai multe puncte de plecare), al doilea parametru este Eșec. Când valoarea True este scrisă în variabila Failure, procesul de afaceri nu va începe. În gestionarea evenimentelor Înainte de a începe, puteți verifica condițiile necesare pentru începerea unui proces de afaceri, puteți crea obiecte „însoțitoare”, referințe la care trebuie stocate în procesul de afaceri în sine. La definirea unui handler pentru acest eveniment, nu se recomandă implementarea mecanismelor care organizează un dialog cu un utilizator (deschiderea diferitelor forme de dialog).

Începutul unui proces de afaceri se poate face în diferite moduri:

pornirea software-ului procesului de afaceri (din codul de limbă încorporat);

pornire interactivă (făcând clic pe butonul OK din formularul procesului de afaceri);

începutul unui proces de afaceri ca unul încorporat.

Utilizarea mecanismului de analiză și prognoză a datelor în 1C

Mecanismul de analiză și prognozare a datelor face posibilă implementarea în soluții aplicate a diferitelor mijloace de identificare a tiparelor care sunt de obicei ascunse în spatele unor cantități mari de informații.

Mecanismul vă permite să lucrați atât cu date obținute dintr-o bază de date, cât și cu date obținute dintr-o altă sursă, preîncărcate într-un tabel de valori sau într-un document de foaie de calcul. Aplicând unul dintre tipurile de analiză la datele originale, puteți obține rezultatul analizei. Rezultatul analizei este un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară.

Utilizarea ulterioară a rezultatului analizei constă în faptul că se poate crea un model de prognoză pe baza acestuia, care permite prezicerea comportamentului noilor date în conformitate cu modelul existent. De exemplu, puteți analiza ce articole sunt achiziționate împreună (într-o singură factură) și puteți salva modelul de prognoză generat din această analiză în baza de date.

Utilizarea aspectelor documentelor text

Document text 1C: Enterprise vă permite să prezentați diverse informații sub formă de texte. Un document text poate fi citit dintr-un fișier text, salvat într-un fișier text. Poate fi plasat într-un formular sau într-un aspect, iar lucrul cu acesta este posibil folosind limbajul încorporat. În general, un document text vă permite să efectuați trei grupuri logice de acțiuni: - citirea de pe disc și scrierea pe disc a fișierelor text; - lucrați cu linii individuale ale unui document text: obținerea, adăugarea, ștergerea, înlocuirea; - crearea unui aspect text și utilizarea acestuia pentru a forma documentul text rezultat.

În plus față de formarea directă a conținutului unui document text, este posibilă completarea documentelor text pe baza unor machete. Aspectul unui document text descrie părțile neschimbabile ale documentului text care conțin aspectul și câmpurile la care pot fi adăugate date. Procesul de completare a unui document text bazat pe un aspect constă în citirea anumitor zone ale aspectului, completarea lor ciclică cu date și trimiterea secvențială a părților primite ale documentului în documentul text rezultat.

Format al aspectului unui document text. Aspectul unui document text este un document text în care sunt utilizate liniile de servicii care încep cu caracterul "#". Caracterul de control este urmat de cuvinte cheie care descriu anumite elemente ale aspectului.

De asemenea, în aspectul documentului text, sunt utilizate simbolurile de serviciu "[" și "]", care determină locația câmpurilor variabile ale aspectului.

Întreaga structură a unui document text constă din regiuni. O zonă combină mai multe linii consecutive. Zonele trebuie să se succedă și să nu se suprapună sau să fie incluse una în cealaltă. Cuvintele cheie Regiune și sfârșitul regiunii sunt utilizate pentru a descrie regiunea. Numele zonei este urmat de numele zonei.

Mecanismul este reprezentat de un set de obiecte ale limbajului încorporat 1C: Enterprise. Schema de interacțiune a principalelor obiecte ale mecanismului este prezentată în figură. Configurarea coloanelor de analiză a datelor - un set de setări pentru coloanele de analiză a datelor de intrare. Pentru fiecare coloană, sunt indicate tipul de date conținute în aceasta, rolul jucat de coloană, setări suplimentare în funcție de tipul de analiză efectuată. Parametri de analiză a datelor - un set de parametri pentru analiza datelor efectuate. Lista parametrilor depinde de tipul de analiză. De exemplu, pentru analiza clusterelor, este indicat numărul de clustere în care trebuie împărțite obiectele originale, tipul de măsurare a distanței între obiecte etc. Datele brute sunt sursa datelor pentru analiză. Sursa de date poate fi un rezultat al interogării, o zonă de celule a unui document de foaie de calcul, un tabel de valori. Analyzer - un obiect care efectuează direct analiza datelor. Sursa de date este setată la obiect, parametrii sunt setați. Rezultatul funcționării acestui obiect este rezultatul analizei datelor, al cărui tip depinde de tipul de analiză. Rezultatul analizei datelor este un obiect special care conține informații despre rezultatul analizei. Fiecare tip de analiză are propriul rezultat. De exemplu, rezultatul analizei datelor - un arbore de decizie va fi un obiect de tipul DataAnalysisResultDecisionTree. În viitor, rezultatul poate fi afișat într-un document de foaie de calcul utilizând generatorul de rapoarte de analiză a datelor, poate fi afișat prin acces programatic la conținutul acestuia și poate fi utilizat pentru a crea un model de prognoză. Orice rezultat al analizei datelor poate fi salvat pentru utilizare ulterioară. Un model de prognoză este un obiect special care vă permite să faceți o prognoză pe baza datelor de intrare. Tipul modelului depinde de tipul analizei datelor. De exemplu, un model creat pentru analiza datelor - căutarea asociațiilor va fi de tipPredictModelSearchAssociation. Sursa de date pentru prognoză este transmisă la intrarea modelului de prognoză. Rezultatul este un tabel de valori care conține valorile prezise. Selecția pentru o prognoză este un tabel de valori, un rezultat al interogării sau o zonă a unui document de foaie de calcul care conține informații pe care este necesar să se construiască o previziune. De exemplu, pentru modelul de prognoză - căutarea asociațiilor, selecția poate conține o listă de produse din documentul de vânzare. Rezultatul muncii modelului poate recomanda ce produse mai pot fi oferite cumpărătorului. Configurare coloane de selecție - un set de obiecte speciale care arată corespondența dintre coloanele modelului de prognoză și coloanele selecției de prognoză. Configurarea coloanelor de rezultate - vă permite să controlați ce coloane vor fi plasate în tabelul rezultat al modelului de prognoză. Rezultatul modelului este un tabel de valori, format din coloane, așa cum se specifică în setările coloanelor rezultate și care conține datele prezise. Conținutul specific este determinat de tipul de analiză. Data Analysis Report Builder - un obiect care vă permite să afișați un raport despre rezultatul analizei datelor. În plus, generatorul de rapoarte oferă un obiect special pentru conectarea la date pentru a permite utilizatorului să controleze interactiv parametrii de analiză, să personalizeze coloanele sursei de date, să prevadă coloanele modelului etc. Tipuri de analiză Motorul vă permite să efectuați următoarele tipuri de analiză:

statistici totale
Căutați asociații
Căutare secvență
Arborele decizional
Analiza grupului

Mecanismul de analiză a datelor din 1C 8.2 și 8.3 simplifică activitatea dezvoltatorului în identificarea tiparelor bazate pe diferite date. De exemplu, puteți utiliza acest mecanism pentru a afișa produsele care sunt cel mai adesea cumpărate împreună. Un alt exemplu este construirea unei prognoze de vânzări bazate pe date istorice. Acest lucru este departe de întreaga gamă de aplicare a mecanismului de analiză a datelor în 1C, haideți să aprofundăm în detaliu capacitățile sale. Principalele obiecte ale mecanismului de analiză a datelor în 1C Acest mecanism este reprezentat în sistemul 1C Enterprise de 3 obiecte de sistem:

Analiza datelor - un obiect care efectuează analiza datelor. Pentru aceasta, trebuie să specificați sursa de date și parametrii necesari pentru analiză.
Rezultatul analizei datelor este un obiect care este rezultatul muncii de analiză a datelor.
Model de prognoză - este creat pe baza rezultatului analizei datelor. Obiectul este legătura finală în motorul de analiză 1C și generează un tabel de valori care conține valori prezise.

Tipuri de analize de date 1C 8.3 Sistem 1C Enterprise poate utiliza tipuri diferite analiză, ia în considerare mai detaliat.

Statistici generale - Acest tip de analiză este un eșantion statistic simplu dintr-o sursă de date. Un exemplu de aplicare este analiza vânzărilor pe articole pentru o perioadă. Rezultatul analizei va fi informații despre cât a fost vândut un anumit produs. De asemenea, sistemul va calcula câmpuri specifice - maxim, minim, median, mediu, interval, deviație standard, numărul de valori, numărul de valori unice, modul.
Căutare asociații - tipul de analiză este conceput pentru a căuta combinații care apar frecvent. Foarte bun pentru a găsi împreună articole cumpărate frecvent. Ca urmare a analizei, sistemul va genera următoarea informație: informații despre datele procesate, grupurile de asociere, regulile de asociere prin care grupurile sunt potrivite.
Căutare de secvențe - o analiză care vă permite să identificați tipare în datele analizate și să oferiți prognoze suplimentare. Ca rezultat al analizei, sistemul va afișa informații despre posibilitatea apariției anumitor evenimente în termeni procentuali.

Una dintre tendințele principale pe piața sistemelor de contabilitate și management este creșterea constantă a cererii pentru utilizarea instrumentelor analitice de prelucrare a datelor care asigură luarea deciziilor în cunoștință de cauză. De aceea una dintre direcțiile strategice în dezvoltarea sistemului 1C: Enterprise este extinderea constantă a posibilităților de raportare economică și analitică. Cu toate acestea, astăzi, clienții nu mai sunt suficiente instrumente tradiționale care vă permit să generați o varietate de rapoarte, tabele pivot și diagrame care sunt create pe baza valorilor și relațiilor predefinite și care trebuie analizate manual. Întreprinderile caută din ce în ce mai multe instrumente calitativ diferite, care să le permită să caute automat reguli neevidente și să identifice tipare necunoscute (Fig. 1). Acesta este modul în care puteți genera cunoștințe calitativ noi pe baza informațiilor acumulate de companie și puteți lua uneori decizii complet non-banale pentru a îmbunătăți eficiența afacerii folosind metode de extragere a datelor (IAD).
Figura: 1. Logica dezvoltării „inteligenței” sarcinilor analitice în curs de rezolvare. Lansarea în vara anului 2003 a unei noi versiuni a platformei tehnologice 1C: Enterprise 8.0 a făcut posibilă extinderea semnificativă a capacităților de business intelligence din sistem (vezi bara laterală). Cu toate acestea, există un punct important de subliniat aici. Software-ul platformei 1C se dezvoltă nu numai în „pași”, de la versiune la versiune, dar este în permanență îmbunătățit și extins într-o singură versiune și în două direcții - tehnologice și aplicate. Așadar, după primul anunț al G8, au fost lansate deja mai mult de o duzină de versiuni ale platformei, cea mai recentă versiune (începând cu ianuarie 2006) are numărul 8.0.13 și este foarte diferită de ceea ce era acum doi ani și jumătate! Una dintre direcțiile de dezvoltare a „1C: Enterprise 8.0” este doar mecanismele de business intelligence; în special, instrumentele IAD au apărut în el abia în 2005. Este important de reținut că majoritatea funcțiilor de analiză sunt implementate la nivelul platformei tehnologice și devin disponibile utilizatorilor numai după ce sunt incluse în noile versiuni de soluții aplicate. Astfel, există un decalaj (uneori câteva luni) între apariția de noi funcții și furnizarea acestora către utilizatori. Având în vedere această problemă, pentru a reduce decalajul, 1C Company a lansat în septembrie 2005 o soluție specială de aplicație „Data Analysis Subsystem” (DAD), care poate fi încorporată în orice configurație a platformei „1C: Enterprise 8.0”. În plus față de o gamă largă de funcții de bază, domeniul de livrare include mai mult de 30 de modele preconfigurate pentru o configurație tipică de gestionare a comerțului. PAD include acele noi mijloace IAD calitative care anterior erau absente în programele „1C”. Pentru analiza directă și prognozarea datelor, nu sunt necesare abilități și cunoștințe specifice. Se presupune o bună cunoaștere a subiectului analizat și o înțelegere a principalelor relații cauză-efect din acesta. Pregătirea surselor de date și a modelelor predictive necesită abilitatea de a utiliza generatorul de interogări și cunoașterea principiilor plasării informațiilor în obiectele de metadate de configurare. Algoritmii IAD incluși în noua configurație (versiunea 1.0.5) formează modele analitice (șabloane) care descriu modelele din datele inițiale. Aceste modele au o valoare independentă (pot fi reutilizate) și sunt utilizate și pentru generarea automată de prognoze, inclusiv cele de scenariu, cu indicatori necunoscuți anterior (Fig. 2). Mecanismul IAD este un set de obiecte de limbă încorporate care interacționează între ele, astfel încât dezvoltatorul să își poată folosi părțile constitutive într-o combinație arbitrară în orice soluție aplicată... Obiectele încorporate vă permit să organizați cu ușurință setarea interactivă a parametrilor de analiză de către utilizator, precum și să afișați rezultatul analizei într-un formular convenabil pentru afișare într-un document de foaie de calcul. Aplicând unul dintre tipurile de analiză la datele originale, puteți obține un rezultat care va reprezenta un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară - pe baza acestuia, puteți crea un model de prognoză care vă permite să preziceți comportamentul noilor date.
Figura: 2. Schema generală funcționarea mecanismului de extragere a datelor. Versiunea actuală a subsistemului implementează metodele care au primit cea mai mare distribuție comercială în practica mondială, și anume:

grupare - realizează gruparea obiectelor, maximizând similitudinea intragrup și diferențele intergrup;
arborele decizional - asigură construirea unei ierarhii cauzale a condițiilor, ducând la anumite decizii;
căutare asociații - caută combinații stabile de elemente în evenimente sau obiecte.

Mai jos vom arunca o privire mai atentă asupra esenței și posibilităților aplicație practică aceste metode de IAD.

Clustering

Scopul grupării este de a selecta un număr de grupuri relativ omogene (segmente sau clustere) dintr-un set de obiecte de aceeași natură. Obiectele sunt împărțite în grupuri în așa fel încât diferențele intragrupale sunt minime, iar diferențele intergrupale sunt maxime (Fig. 3). Metodele de clusterizare vă permit să treceți de la obiect la obiect la reprezentarea în grup a unei colecții de obiecte arbitrare, ceea ce simplifică foarte mult funcționarea lor. Mai multe scenarii posibile pentru aplicarea clusteringului în practică sunt descrise mai jos. Segmentarea clienților conform unui anumit set de parametri, face posibilă distincția între grupuri stabile cu preferințe de cumpărare similare, niveluri de vânzări și solvabilitate, ceea ce simplifică foarte mult gestionarea relației cu clienții. Cand clasificarea mărfurilor principiile de clasificare mai degrabă convenționale sunt foarte des utilizate. Alocarea segmentelor pe baza unui grup de criterii formale vă permite să definiți grupuri de bunuri cu adevărat omogene. În contextul unei game largi și destul de eterogene de bunuri, gestionarea sortimentelor la nivel de segment, în comparație cu managementul la nivel de nomenclatură, crește semnificativ eficiența promovării, prețurilor, comercializării și gestionării lanțului de aprovizionare. Segmentarea managerilor vă permite să planificați mai eficient modificările organizaționale, să îmbunătățiți schemele de motivație, să ajustați cerințele pentru personalul angajat, ceea ce vă permite în cele din urmă să măriți administrabilitatea companiei și stabilitatea afacerii în ansamblu.
Figura: 3. Analiza datelor prin metoda de clusterizare. Similitudinea și diferența dintre obiecte este determinată de „distanța” dintre ele în spațiul factor. Modul în care este măsurată distanța depinde de metrica care indică principiul determinării asemănării / diferenței dintre obiectele din eșantion. Implementarea curentă acceptă următoarele valori:

„Metrică euclidiană” este distanța standard între două puncte într-un spațiu atribut euclidian N-dimensional;
„Metrică euclidiană pătrată” - îmbunătățește efectul diferenței (distanței) asupra rezultatului grupării;
"metric oraș" - reduce impactul emisiilor;
"metrice de dominanță" - definește diferența dintre obiectele eșantionului ca diferență maximă existentă între valorile atributelor lor, prin urmare, este utilă pentru îmbunătățirea diferențelor dintre obiectele dintr-un singur atribut.

Metoda de formare a clusterelor bazată pe informații despre distanța dintre obiectele grupate este determinată de metoda de grupare. În versiunea curentă a „1C: Enterprise 8.0” sunt implementate următoarele metode de clusterizare:

„conexiune strânsă” - obiectul se alătură grupului pentru care distanța până la cel mai apropiat obiect este minimă;
„comunicare la distanță” - obiectul se alătură grupului pentru care distanța până la cel mai îndepărtat obiect este minimă;
„centrul de greutate” - obiectul se alătură grupului pentru care distanța până la centrul clusterului este minimă;
metoda "k-înseamnă" - sunt selectate obiecte arbitrare, care sunt considerate a fi centrele clusterelor, apoi toate obiectele analizate sunt enumerate secvențial și unite la cel mai apropiat cluster. După atașarea obiectului, fișierul centru nou cluster, care se calculează ca medie a atributelor tuturor obiectelor din cluster. Procedura se repetă până când se schimbă centrele clusterelor.

Oricare dintre metodele de clusterizare implementate în platformă presupune o indicație explicită a numărului de clustere necesare. Puteți introduce greutăți pentru atributele obiectelor, ceea ce vă permite să stabiliți priorități între ele. Ca rezultat al analizei utilizând clusterizarea, se obțin următoarele date:

centre de cluster, care sunt agregatul valorilor medii ale coloanelor de intrare din fiecare cluster;
un tabel al distanțelor inter-cluster (distanțele dintre centrele cluster), care determină gradul de diferență dintre ele;
valorile coloanelor de prognoză pentru fiecare cluster;
evaluarea factorilor și arborele condițiilor care au determinat distribuția obiectelor în clustere.

Algoritmii de clusterizare permit nu numai efectuarea analizei de cluster a obiectelor pe un set de atribute specificate, ci și prezicerea valorii unuia sau mai multora dintre ele pentru eșantionul actual pe baza atribuirii obiectelor acestui eșantion unui anumit cluster.

Căutați asociații

Această metodă este concepută pentru a identifica combinații stabile de elemente în anumite evenimente sau obiecte. Rezultatele analizei sunt prezentate ca grupuri de elemente asociate. Aici, pe lângă combinațiile stabile identificate de elemente, este prezentată o analiză detaliată a elementelor asociate (Fig. 4).
Figura: 4. Prezentarea rezultatelor analizei prin metoda „căutării asociațiilor” sub formă de grupuri de elemente asociate. Metoda a fost inițial dezvoltată pentru a căuta combinații tipice de articole în achiziții, motiv pentru care uneori se mai numește și analiza coșului de cumpărături. În acest scenariu, elementele asociate sunt de obicei grupuri de mărfuri sau mărfuri individuale. Iar obiectul de grupare care unește elementele eșantioanelor poate fi orice obiect al sistemului informațional care identifică tranzacția: de exemplu, o comandă a cumpărătorului, un act privind furnizarea de servicii sau o chitanță a unui casier. Informațiile despre tiparele preferințelor de produs ale cumpărătorilor sporesc eficiența gestionării relației cu clienții (în ceea ce privește campaniile publicitare și campaniile de marketing), prețurile (formarea de oferte complexe și un sistem de reduceri), gestionarea stocurilor și merchandising-ul (distribuirea mărfurilor în zonele de vânzare). Un alt exemplu de utilizare a acestei metode este de a determina care combinații de canale publicitare sunt preferate de clienți pentru a evita duplicarea în campaniile publicitare direcționate. Acest lucru vă permite să reduceți semnificativ costurile unor astfel de evenimente. Algoritmul de căutare a asociației implementat în platformă are mijloace destul de flexibile de control al adecvării modelelor de analiză sau prognoză. Parametrul „Procent minim de cazuri” definește „pragul” algoritmului pentru o anumită combinație de elemente dintr-un eveniment sau un obiect, ceea ce face posibilă ignorarea asociațiilor slab răspândite. Parametrul „Încredere minimă” definește stabilitatea necesară a asociațiilor căutate, iar parametrul „Semnificație minimă” vă permite să identificați cele mai prioritare. Parametrul „Reguli de întrerupere”, care poate prelua valorile „Întrerupeți excesul” și „Întrerupeți acoperit de alte reguli”, facilitează foarte mult percepția rezultatelor analizei și prognozelor. Pentru interpretarea practică a rezultatelor obținute folosind acest algoritm, este extrem de important să împărțim setul inițial de elemente asociate în grupuri cu adevărat omogene din punctul de vedere al analizei efectuate.

Arborele decizional

Ca rezultat al aplicării acestei metode la datele inițiale, se creează o structură ierarhică (în formă de copac) a regulilor de formă „dacă ... atunci ...”, iar algoritmul de analiză asigură izolarea celor mai semnificative condiții și tranziții între ele la fiecare etapă. Acest algoritm a primit cea mai mare distribuție în identificarea relațiilor cauzale în date și descrierea tiparelor comportamentale. Un domeniu tipic de aplicare a arborilor de decizie este evaluarea diferitelor riscuri, de exemplu, închiderea unei comenzi de către un client sau transferul acestuia către un concurent, livrarea cu întârziere a mărfurilor de către un furnizor sau întârzierea plății unui credit de marfă (Fig. 5). Factorii tipici de intrare ai modelului sunt valoarea și compoziția comenzii, soldul curent al decontărilor reciproce, limita de credit, procentul plății în avans, termenele de livrare și alți parametri care caracterizează obiectul prognozat. Evaluarea adecvată a riscurilor asigură luarea deciziilor în cunoștință de cauză pentru optimizarea raportului rentabilitate / risc în operațiunile companiei și este utilă și pentru creșterea realismului diferitelor bugete.

Figura: 5. Aplicarea metodei „arborelui decizional” permite, pe baza factorilor de intrare ai modelului (a), să se obțină o evaluare a riscurilor de a face anumite decizii de management (b). Ca exemplu care ilustrează capacitatea algoritmului de a identifica relațiile cauză-efect, putem cita problema optimizării activității departamentului de vânzări. Pentru a o rezolva, ca valoare estimată, vom alege un indicator al eficacității managerilor de vânzări, de exemplu, rentabilitatea specifică pe client și ca factori - un set de date care pot afecta rezultatul. Algoritmul va determina factorii care au cea mai mare influență asupra rezultatului, precum și combinațiile tipice de condiții care duc la un anumit rezultat. Mai mult, subsistemul „Analiza datelor” vă va permite să estimați (să prevedeți) valorile așteptate ţintă pe baza datelor reale și, de asemenea, faceți o previziune „ce se întâmplă dacă ...” prin schimbarea indicatorilor furnizați la intrarea modelului. Rezultatele analizei și prognozării folosind arborii de decizie pot reduce semnificativ impactul incertitudinii mediului de afaceri asupra stării companiei, precum și rezolva o gamă largă de probleme asociate identificării unor relații complexe și neevidente de cauză-efect. Algoritmul „Arborele deciziei” formează o ierarhie cauzală a condițiilor care duc la anumite decizii. Ca urmare a aplicării acestei metode setului de antrenament, se creează o structură ierarhică (asemănătoare unui copac) a regulilor de împărțire a formei „dacă ... atunci ...”. Algoritmul de analiză (model training) este redus la un proces iterativ de izolare a celor mai semnificative condiții și tranziții între ele. Condițiile pot fi atât cantitative, cât și calitative și pot forma „ramuri” ale acestui arbore abstract. „Frunzișul” său este format din valorile atributului (soluției) prezise, \u200b\u200bcare, la fel ca și condițiile de tranziție, admit interpretare atât calitativă, cât și cantitativă. Combinația acestor condiții, impusă factorilor și structura tranzițiilor dintre aceștia către decizia finală, formează modelul de prognoză. Acest algoritm este cel mai utilizat în evaluarea rezultatelor diferitelor lanțuri de evenimente și identificarea relațiilor cauzale în eșantioane. Semnificația și fiabilitatea modelului acestui algoritm este controlată utilizând parametrii „Tip de simplificare”, „Adâncimea maximă a arborelui” și „Numărul minim de elemente dintr-un nod”. Rezultatele analizei eșantionului utilizând algoritmul Arborelui deciziei sunt:

evaluarea factorilor, care este o listă de factori care au influențat decizia, sortată în ordinea descrescătoare a importanței („citații” în nodurile arborelui);
compararea deciziilor (valorile coloanei prognozate) și condițiile care le-au determinat, cu alte cuvinte, arborele „Efect-Cauză”;
arborele „Cauză-efect”, care este un set de tranziții între condiții care determină o anumită decizie (de fapt, o reprezentare vizuală a modelului de prognoză).

Soluții comune "1C"

Pe lângă funcțiile implementate direct în cadrul platformei 1C: Enterprise 8.0, arsenalul instrumentelor de business intelligence 1C este completat cu soluții specializate create, printre altele, în cadrul proiectului 1C-Joint (http://v8.1c.ru/ soluții) - cu participarea partenerilor firmei și a dezvoltatorilor independenți (a se vedea „Soluții comune ale firmei„ 1C ”și a partenerilor săi”, „BYTE / Rusia„ Nr. 9 ”2005). Aici vom nota două produse legate de utilizarea metodelor intelectuale de analiză - acesta este „1C: Enterprise 8.0. 1C-VIP Anatech: ABIS. ABC. Contabilitate de gestiune și calcul al costurilor "(partener dezvoltator - companie de consultanță" VIP Anatech ") și" 1C-VIP Anatech-VDGB: ABIS. BSC. Balanced Scorecard "(parteneri de dezvoltare - VIP Anatech și VDGB).

Scenarii tipice de afaceri pentru utilizarea metodelor IAD

Documentația PAD conține o secțiune dedicată exemplelor tipice de aplicare a exploatării datelor în legătură cu configurația "1C: Trade Management 8.0.". Iată câteva dintre aceste scenarii de afaceri.

Managementul relatiilor cu clientii

Programare scenariu campanie publicitara" Planificarea viitoarei campanii publicitare este luată în considerare din punctul de vedere al optimizării alocării bugetului alocat pe canalele de publicitate, pe baza indicatorilor regionali, de produse, clienți și alți indicatori ai segmentului țintă, precum și a eficacității canalelor de publicitate în secțiunile specificate într-o anumită perioadă de planificare anterioară. Algoritm - "Analiza grupului". Atribute predictive - proporția de răspunsuri la canalul publicitar al segmentelor convenționale omogene, alocate de algoritm. Coloane calculate - ponderea canalelor de publicitate în bugetul campaniei de publicitate, luând în considerare ponderea probabilă a răspunsurilor și eficiența (în ceea ce privește veniturile rezultate) ale fiecărui canal de publicitate. Un exemplu de tipar: Clienții din clasa A din regiunea P, care preferă grupa de produse P, sunt atrași de același canal de publicitate ca și clienții din regiunea H, care preferă grupa de produse Y.

Managementul lanțului de aprovizionare

Scenariul „Optimizarea selecției furnizorilor pe grupe de mărfuri”Selectarea furnizorilor dominanți de prim nivel pentru grupurile cheie de produse este extrem de importantă pentru stabilizarea sistemului logistic în special și a sistemului general de gestionare a lanțului de aprovizionare în general, precum și pentru a reduce durata medie a lanțurilor de aprovizionare. Pe de altă parte, o integrare mai strânsă cu furnizorii majori, de regulă, poate reduce semnificativ costul mărfurilor. În acest sens, este de interes să se analizeze combinații stabile de furnizori din diferite grupuri de produse în comparație cu analizele pentru furnizorii asociați din cadrul grupurilor. Acest lucru vă permite să identificați „intersecțiile” furnizorilor din diferite grupuri de produse și să optimizați relațiile cu aceștia. Algoritm - „Căutați asociații”. Atribute predictive - combinații stabile de furnizori. Principalii factori - grupuri de mărfuri. Decodare - analize de către furnizori (volum de achiziții, venituri, condiții de livrare și plată, condiții de îndeplinire a comenzii - pesimist, optimist, mediu). Un exemplu de tipar: o asociere stabilă a unui furnizor mare și imprevizibil A și a unui furnizor mediu previzibil B într-un număr mare de grupe de produse. Este posibil, atunci când plasați comenzi pentru grupuri de produse competitive, să poziționați un furnizor mediu ca principal, dacă volumul unei comenzi către unul mare nu depășește un anumit prag (oferind un câștig semnificativ la scară).

Managementul personalului

Scenariu „Profilarea managerilor de vânzări după indicatorii cheie de performanță”Determinarea eficacității managerilor (reținerea, căutarea clienților, eficiența comunicării, colectarea creanțelor condiționate și necondiționate, indicatori de performanță specifici per client etc.) este de interes nu numai din punctul de vedere al formării unui sistem de stimulente materiale pentru manageri, ci și din punctul de vedere al raționării eficiente parametrii activităților lor. Algoritm - „Arborii de decizie”. Atribute predictive - indicatori cheie de performanță ai departamentului de vânzări (număr clienți cheie, churn și ratele de achiziție, venituri pierdute pe lună, venituri atrase pe lună, venituri pe lună de la un client, încasări totale de la clienți etc.). Principalii factori - numărul de clienți activi, venituri, venituri, indicatori specifici pe client, eficiența comunicării. În funcție de atributele prezise, \u200b\u200bcompoziția factorilor poate varia semnificativ. Un exemplu de tipar: managerii care oferă cele mai bune tarife de colectare creanțe de încasat (raportul dintre încasările DS și venituri), au o rată de reținere\u003e 0,8; raport de atracție\u003e 0,25; numărul de tranzacții deschise simultan nu este mai mare de 15, dar nu mai puțin de 10; intensitatea evenimentelor pe zi nu este mai mare de 10, dar nu mai puțin de 3; numărul de clienți activi în această perioadă nu este mai mic de 50, dar nu mai mult de 100.

Concluzie

Afacerile moderne sunt atât de polifacetice încât factorii care pot influența o anumită decizie pot fi numărați în zeci. Competiția devine din ce în ce mai puternică zi de zi ciclu de viață produsele se micșorează, preferințele clienților se schimbă mai repede. Pentru dezvoltarea afacerii, este necesar să reacționăm cât mai dinamic posibil la mediul de afaceri în schimbare rapidă, luând în considerare tiparele subtile și uneori subtile de dezvoltare a evenimentelor. La ce grupuri de clienți vor răspunde campanie publicitara, și care vor merge irevocabil la concurenți? Deschideți o nouă linie de afaceri sau așteptați acum? Cumpărătorul va întârzia cu plata și furnizorul cu expedierea? Care sunt oportunitățile de creștere și unde sunt ascunse potențialele amenințări? Mii de manageri își pun singuri și colegilor astfel de întrebări în fiecare zi. Subsistemul de analiză a datelor implementat în platforma 1C: Enterprise 8.0 este conceput pentru a ajuta utilizatorii sistemului de informații corporative să găsească mai rapid răspunsuri la întrebări non-banale, oferind o transformare automată a datelor acumulate în sistem informatic, în util în practică și modele bine interpretate.

Raportare economică și analitică în „1C: Enterprise 8.0”

Platforma 1C: Enterprise 8.0 include o serie de mecanisme pentru formarea raportării economice și analitice, permițând formarea de documente interactive (și nu doar formulare tipărite) în cadrul anumitor soluții aplicate. Astfel, utilizatorul poate lucra cu rapoarte în același mod ca și cu orice formă de ecran, inclusiv schimbarea parametrilor raportului, reconstruirea acestuia, folosind „decriptări” (obținerea de rapoarte suplimentare pe baza elementelor individuale ale unui raport deja generat) etc. În plus , există mai multe universale instrumente softwarepermițându-vă să generați rapoarte arbitrare, în funcție de sarcini. Acest lucru poate fi făcut și de utilizatorii înșiși (destul de experimentați), care sunt bine familiarizați cu structura soluției aplicate utilizate. Mai jos vom analiza pe scurt principalele instrumente de raportare din „1C: Enterprise 8.0”. Întrebări - acesta este unul dintre modurile de accesare a datelor în „1C: Enterprise 8.0”, cu ajutorul căruia informațiile sunt preluate din baza de date în funcție de anumite condiții, de regulă, în combinație cu cea mai simplă prelucrare a datelor primite: grupați, sortați, calculați. Schimbarea datelor folosind interogări nu este posibilă, deoarece acestea sunt inițial concepute pentru a obține rapid informații din cantități mari de informații. Baza de date este implementată sub forma unui set de tabele interconectate, care pot fi accesate fie separat, fie la mai multe tabele dintr-o relație. Pentru a-și implementa proprii algoritmi, un dezvoltator poate utiliza un limbaj de interogare bazat pe SQL și care conține multe extensii care reflectă specificul problemelor financiare și economice și reduc efortul cheltuit pentru crearea de soluții aplicate. Platforma include un proiectant de interogări care vă permite să compuneți textul interogării corect folosind doar instrumente vizuale (Fig. 6).

Figura: 6. Constructorul interogării (a) permite dezvoltatorului să compună textul interogării (b) exclusiv prin mijloace vizuale. Document foaie de calcul este un mecanism puternic pentru vizualizarea și editarea informațiilor, inclusiv utilizarea citirii dinamice a informațiilor dintr-o bază de date. Un document de foaie de calcul poate fi utilizat singur sau poate face parte din oricare dintre formularele utilizate în soluția aplicației. În esență, seamănă foi de calcul (este format din rânduri și coloane care conțin date), dar capacitățile sale sunt mult mai largi. Susține operațiuni de grupare, decriptare, includere de note. Documentul se poate aplica tipuri diferite proiectarea raportului, inclusiv diagrame grafice. Un document de foaie de calcul poate conține tabele pivot, care în sine servesc ca un instrument eficient pentru prezentarea programată și interactivă a datelor multidimensionale. Constructor formular de ieșire ajută dezvoltatorul să creeze rapoarte și să prezinte datele raportului într-o formă tabulară sau grafică convenabilă. Acesta include toate caracteristicile Query Designer, precum și crearea și personalizarea unui formular. Generator de rapoarte este un obiect al limbajului încorporat, care oferă abilitatea de a crea în mod dinamic un raport atât programatic, cât și interactiv (Fig. 7). Funcționarea sa se bazează pe o interogare, conform căreia utilizatorul are posibilitatea de a configura interactiv toți parametrii principali conținuți în textul interogării. Rezultatele acestei interogări sunt afișate într-un document de foaie de calcul, care poate utiliza, de asemenea, informații din surse de date arbitrare. Dezvoltatorul, utilizând comenzile generatorului de rapoarte, poate modifica lista parametrilor disponibili pentru utilizator pentru personalizare.
Figura: 7. Schema constructorului de rapoarte. Scheme geografice vă permit să prezentați vizual informații care au o referință teritorială: la țări, regiuni, orașe. Datele despre acestea pot fi afișate căi diferite: sub formă de text, histogramă, culoare, imagine, cercuri de diferite diametre și culori, diagrame. Aceasta vă permite să afișați, de exemplu, volumele de vânzări pe regiuni sub formă grafică. Utilizatorul poate schimba scara diagramei afișate, poate primi decriptări făcând clic pe obiectele diagramei și chiar crea noi scheme geografice. O diagramă geografică poate fi, de asemenea, utilizată pur și simplu pentru a afișa informații geografice specifice, cum ar fi indicații de conducere către un birou sau conducerea unui vehicul. Exploatarea datelor. Aceste mecanisme vă permit să identificați tipare neevidente care sunt de obicei ascunse în spatele unor cantități mari de informații. Folosește metode complementare de descoperire a cunoștințelor care au primit cea mai mare distribuție comercială în practica mondială: gruparea (gruparea obiectelor relativ similare), căutarea de asociații (căutarea combinațiilor stabile de evenimente și obiecte) și un arbore de decizie (construirea unei ierarhii cauzale a condițiilor care duc la anumite decizii). Consola de interogare și Consola de raportare. Ambele console nu fac parte din platforma tehnologică, ci sunt rapoarte externe care pot fi rulate în orice soluție de aplicație. Ele ajută un dezvoltator sau un utilizator cu experiență, respectiv, să compună textul interogării și să analizeze rezultatele acesteia sau să întocmească un raport arbitrar.

Motor de analiză și prognoză a datelor - acesta este unul dintre mecanismele de formare a raportării economice și analitice. Oferă utilizatorilor (economiști, analiști etc.) capacitatea de a căuta modele neevidente în datele acumulate în baza de informații. Acest mecanism permite:

căutarea modelelor în datele inițiale ale bazei de informații;
gestionați parametrii analizei efectuate atât programatic, cât și interactiv;
oferă acces programatic la rezultatul analizei;
scoate automat rezultatul analizei într-un document de foaie de calcul;
creați modele de prognoză care prezic automat evenimentele ulterioare sau valorile anumitor caracteristici ale obiectelor noi.

Motorul de analiză a datelor este un set de obiecte de limbă încorporate care interacționează între ele, ceea ce permite dezvoltatorului să își folosească părțile constitutive într-o combinație arbitrară în orice soluție de aplicație. Obiectele încorporate vă permit să organizați cu ușurință setarea interactivă a parametrilor de analiză de către utilizator și vă permit, de asemenea, să afișați rezultatul analizei într-un formular convenabil pentru afișare într-un document de foaie de calcul.

Mecanismul vă permite să lucrați atât cu datele primite dintr-o bază de date, cât și cu datele obținute dintr-o sursă externă, preîncărcate într-un tabel de valori sau un document de foaie de calcul:

Aplicând unul dintre tipurile de analiză la datele originale, puteți obține rezultatul analizei. Rezultatul analizei este un fel de model de comportament al datelor. Rezultatul analizei poate fi afișat în documentul final sau salvat pentru utilizare ulterioară.

De exemplu, puteți analiza ce articole sunt achiziționate împreună (într-o singură factură) și puteți salva acest rezultat al analizei într-o bază de date. În viitor, atunci când creați o altă factură, pe baza rezultatului analizei salvate, puteți construi un model de prognoză, puteți trimite date noi conținute în această factură „ca intrare” și puteți primi o prognoză „la ieșire” - o listă de bunuri pe care contrapartea B. Petrov. de asemenea, cel mai probabil, va dobândi dacă li se oferă:

Mai multe tipuri de analiză a datelor sunt implementate în motorul de analiză și prognoză a datelor:

Tipuri de analize implementate

statistici totale

Este un mecanism de colectare a informațiilor despre datele din eșantionul studiat. Acest tip de analiză este destinat investigării preliminare a sursei de date analizate.

Analiza arată o serie de caracteristici ale câmpurilor continue și discrete. Câmpurile continue conțin tipuri precum Număr, Data... Pentru alte tipuri, se utilizează câmpuri discrete. Când un raport este trimis într-un document de foaie de calcul, diagramele circulară sunt completate pentru a afișa compoziția câmpurilor.

Căutați asociații

Acest tip de analiză caută grupuri de obiecte sau valori caracteristice care se găsesc adesea împreună și caută reguli de asociere. Căutarea asociațiilor poate fi utilizată, de exemplu, pentru a identifica împreună bunuri sau servicii cumpărate frecvent:

Acest tip de analiză poate funcționa cu date ierarhice, care permit, de exemplu, să găsească reguli nu numai pentru anumite produse, ci și pentru grupurile lor. O caracteristică importantă a acestui tip de analiză este capacitatea de a lucra atât cu o sursă de date a obiectului, în care fiecare coloană conține unele caracteristici ale unui obiect, cât și cu o sursă de eveniment, unde caracteristicile unui obiect sunt situate într-o singură coloană.

Pentru a facilita percepția rezultatului, este prevăzut un mecanism pentru tăierea regulilor redundante.

Căutare secvență

Tipul de analiză a căutării secvenței vă permite să identificați lanțuri secvențiale de evenimente într-o sursă de date. De exemplu, poate fi un lanț de bunuri sau servicii pe care clienții îl achiziționează adesea secvențial:

Acest tip de analiză vă permite să căutați printr-o ierarhie, ceea ce face posibilă urmărirea nu numai a secvențelor evenimentelor specifice, ci și a secvențelor grupurilor părinte.

Un set de parametri de analiză permite unui specialist să limiteze distanțele de timp dintre elementele secvențelor dorite, precum și să regleze acuratețea rezultatelor.

Analiza grupului

Analiza cluster vă permite să împărțiți setul inițial de obiecte studiate în grupuri de obiecte, astfel încât fiecare obiect să fie mai asemănător cu obiectele din propriul grup decât cu obiectele din alte grupuri. Analizând în continuare grupurile obținute, numite clustere, este posibil să se determine ce caracterizează acest grup sau altul, să se decidă metodele de lucru cu obiecte din diferite grupuri. De exemplu, utilizând analiza cluster, puteți împărți clienții cu care lucrează compania în grupuri pentru a aplica diferite strategii atunci când lucrați cu ei:

Folosind parametrii analizei cluster, analistul poate personaliza algoritmul prin care va fi efectuată partiționarea și, de asemenea, poate modifica dinamic compoziția caracteristicilor luate în considerare în analiză, poate ajusta coeficienții de greutate pentru acestea.

Rezultatul grupării poate fi transmis către o dendrogramă - un obiect special conceput pentru a afișa conexiuni secvențiale între obiecte.

Arborele decizional

Tipul de analiză a arborelui decizional vă permite să construiți o structură ierarhică a regulilor de clasificare, reprezentată sub forma unui arbore.

Pentru a construi un arbore de decizie, trebuie să selectați un atribut țintă prin care să fie construit clasificatorul și un număr de atribute de intrare care vor fi utilizate pentru a crea reguli. Atributul țintă poate conține, de exemplu, informații despre dacă clientul a trecut la alt furnizor de servicii, dacă tranzacția a avut succes, dacă lucrarea a fost făcută bine etc. Atributele de intrare, de exemplu, pot fi vârsta angajatului, durata serviciului, starea financiară a clientului, numărul angajaților din companie etc.

Rezultatul analizei este prezentat sub forma unui copac, al cărui nod conține o anumită condiție. Pentru a decide cărei clase ar trebui să i se atribuie un nou obiect, este necesar, răspunzând la întrebările din noduri, să parcurgem lanțul de la rădăcină până la frunza copacului, mergând la nodurile copil în cazul unui răspuns afirmativ și la nodul vecin în cazul unuia negativ.

Un set de parametri de analiză vă permite să ajustați acuratețea arborelui rezultat:

Modele de prognoză

Modelele de prognoză create de motor sunt obiecte speciale care sunt create din rezultatul analizei datelor și vă permit să efectuați automat o prognoză pentru date noi în viitor.

De exemplu, un model predictiv de căutare a asociațiilor, construit în analiza achizițiilor clienților, poate fi utilizat atunci când lucrează cu un client care face o achiziție, pentru a-i oferi bunuri pe care le va achiziționa cu un anumit grad de probabilitate împreună cu bunurile selectate.

Motorul de analiză și prognoză a datelor oferă utilizatorilor (economiști, analiști etc.) capacitatea de a căuta modele neevidente în datele acumulate în baza de informații. Acest mecanism permite:

căutarea modelelor în datele inițiale ale bazei de informații;
gestionați parametrii analizei efectuate atât programatic, cât și interactiv;
oferă acces programatic la rezultatul analizei;
scoate automat rezultatul analizei într-un document de foaie de calcul;
creați modele de prognoză care prezic automat evenimentele ulterioare sau valorile anumitor caracteristici ale obiectelor noi.

pe baza rezultatului analizei salvate, este posibil să se construiască un model de prognoză, să se prezinte noile date conținute în această factură „ca intrare” și „la ieșire” să se primească o prognoză - o listă de bunuri pe care contrapartea B. Petrov. de asemenea, cel mai probabil, va dobândi dacă li se oferă:

Mai multe tipuri de analiză a datelor sunt implementate în motorul de analiză și prognoză a datelor:

Tipuri de analize implementate

statistici totale

Este un mecanism de colectare a informațiilor despre datele din eșantionul studiat. Acest tip de analiză este destinat investigării preliminare a sursei de date analizate.

Analiza relevă o serie de caracteristici pentru câmpurile numerice și continue. Atunci când un raport este trimis într-un document de foaie de calcul, diagramele circulară sunt completate pentru a afișa compoziția câmpurilor.

Căutați asociații

Acest tip de analiză caută grupuri de obiecte sau valori caracteristice care se găsesc adesea împreună și caută reguli de asociere. Căutarea asociațiilor poate fi utilizată, de exemplu, pentru a identifica împreună bunuri sau servicii cumpărate frecvent:

Acest tip de analiză poate funcționa cu date ierarhice, care permit, de exemplu, să găsească reguli nu numai pentru anumite produse, ci și pentru grupurile lor. O caracteristică importantă a acestui tip de analiză este capacitatea de a lucra atât cu o sursă de date a obiectului, în care fiecare coloană conține unele caracteristici ale unui obiect, cât și cu o sursă de eveniment, unde caracteristicile unui obiect sunt situate într-o singură coloană.

Pentru a facilita percepția rezultatului, este prevăzut un mecanism pentru tăierea regulilor redundante.

Căutare secvență

Tipul de analiză a căutării secvenței vă permite să identificați lanțuri secvențiale de evenimente într-o sursă de date. De exemplu, poate fi un lanț de bunuri sau servicii pe care clienții îl achiziționează adesea secvențial:

Acest tip de analiză vă permite să căutați printr-o ierarhie, ceea ce face posibilă urmărirea nu numai a secvențelor evenimentelor specifice, ci și a secvențelor grupurilor părinte.

Un set de parametri de analiză permite unui specialist să limiteze distanțele de timp dintre elementele secvențelor dorite, precum și să regleze acuratețea rezultatelor.

Analiza grupului

Analiza cluster vă permite să împărțiți setul inițial de obiecte studiate în grupuri de obiecte, astfel încât fiecare obiect să fie mai asemănător cu obiectele din propriul grup decât cu obiectele din alte grupuri. Analizând în continuare grupurile obținute, numite clustere, este posibil să se determine ce caracterizează acest grup sau altul, să se decidă metodele de lucru cu obiecte din diferite grupuri. De exemplu, utilizând analiza cluster, puteți împărți clienții cu care lucrează compania în grupuri pentru a aplica diferite strategii atunci când lucrați cu ei:

Folosind parametrii analizei cluster, analistul poate personaliza algoritmul prin care va fi efectuată partiționarea și, de asemenea, poate modifica dinamic compoziția caracteristicilor luate în considerare în analiză, poate ajusta coeficienții de greutate pentru acestea.

Rezultatul grupării poate fi transmis către o dendrogramă - un obiect special conceput pentru a afișa conexiuni secvențiale între obiecte.

Arborele decizional

Tipul de analiză a arborelui decizional vă permite să construiți o structură ierarhică a regulilor de clasificare, reprezentată sub forma unui arbore.

Pentru a construi un arbore de decizie, trebuie să selectați un atribut țintă prin care să fie construit clasificatorul și un număr de atribute de intrare care vor fi utilizate pentru a crea reguli. Atributul țintă poate conține, de exemplu, informații despre dacă clientul a trecut la alt furnizor de servicii, dacă tranzacția a avut succes, dacă lucrarea a fost făcută bine etc. Atributele de intrare, de exemplu, pot fi vârsta angajatului, durata serviciului, starea financiară a clientului, numărul angajaților din companie etc.

Rezultatul analizei este prezentat sub forma unui copac, al cărui nod conține o anumită condiție. Pentru a decide cărei clase ar trebui să i se atribuie un nou obiect, este necesar, răspunzând la întrebările din noduri, să parcurgem lanțul de la rădăcină până la frunza copacului, mergând la nodurile copil în cazul unui răspuns afirmativ și la nodul vecin în cazul unuia negativ.

Un set de parametri de analiză vă permite să ajustați acuratețea arborelui rezultat:

Modele de prognoză

Modelele de prognoză create de motor sunt obiecte speciale care sunt create din rezultatul analizei datelor și vă permit să efectuați automat o prognoză pentru date noi în viitor.

Utilizarea motorului de analiză a datelor în soluții aplicate

Pentru a familiariza dezvoltatorii de soluții aplicate cu mecanismul de analiză a datelor, o bază de informații demo este plasată pe discul de suport pentru tehnologia informației (ITS). Include prelucrarea universală „Consola de analiză a datelor”, care vă permite să efectuați analiza datelor în orice soluție aplicată, fără a modifica configurația.

Ar putea fi util să citiți: